Effect of Physical Exercise–Based Rehabilitation on Long COVID: A Systematic Review and Meta-analysis
Notice bibliographique
Résumé
PURPOSE: The number of persons living with post-coronavirus disease 2019 (COVID-19) conditions or long COVID continues to rise worldwide; however, the etiology and the treatment of long COVID remain nebulous. Therefore, efficient, feasible, and cost-effective therapeutic strategies for a large population with long COVID remain warranted. Physical exercise-based rehabilitation is a promising strategy for long COVID, although its therapeutic effects remain to be determined. This systematic review and meta-analysis aimed to examine the effects of physical exercise-based rehabilitation on long COVID. METHODS: The electronic databases Medline, Embase, Global Health (Ovid), CINAHL (EBSCO), Web of Science, WHO Global Research Database on COVID-19, LitCovid, and Google Scholar were searched from their inception to November 2022. The identified articles were independently screened by three reviewers, and a random-effects model was used to determine the mean differences in the meta-analysis. RESULTS: Twenty-three studies involving 1579 individuals who had COVID-19 (752 women) were included. Physical exercise-based rehabilitation showed beneficial effects on long COVID-related symptoms characterized by dyspnea, fatigue, and depression, as well as on the 6-min walk test, forced expiratory volume in 1 s/forced vital capacity, and quality of life in people who had COVID-19. CONCLUSIONS: Physical exercise-based rehabilitation is a potential therapeutic strategy against long COVID and can be applied as a routine clinical practice in people who have recovered from COVID-19. However, customized physical exercise-based rehabilitation programs and their effects on specific types of long COVID require future large-scale studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,024 | 0,003 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».